Obtaining Data

library(tidyverse)
library(plotly)
library(eurostat)
library(janitor)
library(knitr)
library(kableExtra)
library(magrittr)
library(glue)

edu.data <- get_eurostat(id='tgs00105')
## Reading cache file /tmp/Rtmp52Lezm/eurostat/tgs00105_date_code_TF.rds
## Table  tgs00105  read from cache file:  /tmp/Rtmp52Lezm/eurostat/tgs00105_date_code_TF.rds

The data comes directly from Eurostat. Let’s see how it looks like:

edu.data %>% glimpse

## Observations: 4,359
## Variables: 7
## $ unit    [3m[38;5;246m<fct>[39m[23m PC, PC, PC, PC, PC, PC, PC, PC, PC, PC, PC, PC, PC, PC...
## $ isced11 [3m[38;5;246m<fct>[39m[23m ED5-8, ED5-8, ED5-8, ED5-8, ED5-8, ED5-8, ED5-8, ED5-8...
## $ age     [3m[38;5;246m<fct>[39m[23m Y30-34, Y30-34, Y30-34, Y30-34, Y30-34, Y30-34, Y30-34...
## $ sex     [3m[38;5;246m<fct>[39m[23m F, F, F, F, F, F, F, F, F, F, F, F, F, F, F, F, F, F, ...
## $ geo     [3m[38;5;246m<fct>[39m[23m AT1, AT2, AT3, BE1, BE2, BE3, BG3, BG4, CH0, CY0, CZ0,...
## $ time    [3m[38;5;246m<date>[39m[23m 2007-01-01, 2007-01-01, 2007-01-01, 2007-01-01, 2007-...
## $ values  [3m[38;5;246m<dbl>[39m[23m 24.8, 14.1, 17.7, 49.7, 47.2, 43.6, 28.2, 38.5, 29.7, ...

edu.data %>% summary

##  unit       isced11         age       sex           geo      
##  PC:4359   ED5-8:4359   Y30-34:4359   F:1453   AT1    :  36  
##                                       M:1453   AT2    :  36  
##                                       T:1453   AT3    :  36  
##                                                BE1    :  36  
##                                                BE2    :  36  
##                                                BE3    :  36  
##                                                (Other):4143  
##       time                values     
##  Min.   :2007-01-01   Min.   : 2.60  
##  1st Qu.:2010-01-01   1st Qu.:24.80  
##  Median :2013-01-01   Median :34.50  
##  Mean   :2012-07-19   Mean   :34.31  
##  3rd Qu.:2016-01-01   3rd Qu.:43.10  
##  Max.   :2018-01-01   Max.   :70.40  
##                       NA's   :126

We’ll compare the percentage of members populations with terriary educational level attained between 2018 and 2017. We’ll compute the percentage difference which will give us a way to quantify the 11 years change.

edu.data %<>% filter(time == "2007-01-01" | time == "2018-01-01") %>%
  select(-unit, -isced11, -age) %>%
  group_by(geo, time) %>%
  summarise(values=mean(values, na.rm = TRUE)) %>%
  ungroup %>%
  spread(time, values) %>%
  mutate(diff=.[["2018-01-01"]] - .[["2007-01-01"]]) %>%
  drop_na() %>%
  mutate(nuts_id=as.character(geo)) %>%
  select(-geo) %>%
  filter(nuts_id %in% maps$NUTS_ID)

Let’s look at the data:

edu.data %>%
  arrange(nuts_id) %>%
  kable %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
  scroll_box(width = "100%", height = "400px")

2007-01-01	2018-01-01	diff	nuts_id
23.266667	43.73333	20.4666667	AT1
18.366667	38.16667	19.8000000	AT2
19.333333	38.13333	18.8000000	AT3
47.600000	56.26667	8.6666667	BE1
42.033333	48.16667	6.1333333	BE2
38.033333	42.50000	4.4666667	BE3
22.200000	25.76667	3.5666667	BG3
29.966667	40.30000	10.3333333	BG4
36.500000	55.00000	18.5000000	CH0
46.200000	56.90000	10.7000000	CY0
13.333333	33.86667	20.5333333	CZ0
29.966667	39.06667	9.1000000	DE1
28.833333	39.83333	11.0000000	DE2
37.433333	49.70000	12.2666667	DE3
23.433333	23.46667	0.0333333	DE4
25.450000	37.13333	11.6833333	DE5
30.066667	46.20000	16.1333333	DE6
28.900000	38.10000	9.2000000	DE7
22.666667	26.06667	3.4000000	DE8
21.433333	29.00000	7.5666667	DE9
22.866667	31.33333	8.4666667	DEA
23.100000	31.60000	8.5000000	DEB
18.800000	29.33333	10.5333333	DEC
35.900000	31.63333	-4.2666667	DED
17.866667	20.53333	2.6666667	DEE
20.000000	27.60000	7.6000000	DEF
28.300000	29.06667	0.7666667	DEG
38.166667	49.16667	11.0000000	DK0
33.600000	47.46667	13.8666667	EE0
31.633333	53.36667	21.7333333	EL3
17.866667	31.86667	14.0000000	EL4
26.400000	43.86667	17.4666667	EL5
20.866667	37.70000	16.8333333	EL6
43.700000	47.70000	4.0000000	ES1
52.833333	51.76667	-1.0666667	ES2
50.100000	49.40000	-0.7000000	ES3
38.300000	39.00000	0.7000000	ES4
38.733333	44.03333	5.3000000	ES5
34.400000	33.26667	-1.1333333	ES6
33.033333	35.60000	2.5666667	ES7
47.400000	44.30000	-3.1000000	FI1
53.266667	59.80000	6.5333333	FR1
37.700000	45.06667	7.3666667	FRB
29.533333	33.30000	3.7666667	FRC
30.900000	32.33333	1.4333333	FRD
34.300000	40.80000	6.5000000	FRE
36.433333	37.93333	1.5000000	FRF
38.666667	49.10000	10.4333333	FRG
45.333333	45.50000	0.1666667	FRH
33.533333	42.46667	8.9333333	FRI
43.800000	45.80000	2.0000000	FRJ
44.133333	48.00000	3.8666667	FRK
38.000000	42.86667	4.8666667	FRL
16.833333	34.16667	17.3333333	HR0
31.166667	47.20000	16.0333333	HU1
15.233333	25.20000	9.9666667	HU2
15.666667	27.90000	12.2333333	HU3
45.200000	56.13333	10.9333333	IE0
36.333333	52.16667	15.8333333	IS0
20.033333	32.03333	12.0000000	ITC
15.400000	21.33333	5.9333333	ITF
13.666667	21.00000	7.3333333	ITG
19.200000	33.23333	14.0333333	ITH
22.666667	29.93333	7.2666667	ITI
36.466667	57.76667	21.3000000	LT0
35.266667	56.16667	20.9000000	LU0
25.700000	42.83333	17.1333333	LV0
12.200000	33.36667	21.1666667	MK0
20.800000	34.30000	13.5000000	MT0
32.933333	42.20000	9.2666667	NL1
29.833333	42.56667	12.7333333	NL2
38.200000	54.03333	15.8333333	NL3
33.066667	47.20000	14.1333333	NL4
43.733333	50.66667	6.9333333	NO0
27.100000	47.20000	20.1000000	PL2
23.333333	39.13333	15.8000000	PL4
22.700000	46.20000	23.5000000	PL5
20.766667	41.13333	20.3666667	PL6
25.733333	45.26667	19.5333333	PL7
24.966667	44.46667	19.5000000	PL8
42.066667	57.46667	15.4000000	PL9
19.766667	33.86667	14.1000000	PT1
12.966667	24.76667	11.8000000	RO1
10.033333	16.30000	6.2666667	RO2
19.700000	35.43333	15.7333333	RO3
13.500000	18.53333	5.0333333	RO4
44.866667	55.76667	10.9000000	SE1
40.566667	51.50000	10.9333333	SE2
32.800000	44.16667	11.3666667	SE3
31.266667	43.53333	12.2666667	SI0
14.766667	37.80000	23.0333333	SK0
14.766667	36.40000	21.6333333	TR1
12.533333	30.90000	18.3666667	TR2
12.966667	30.70000	17.7333333	TR3
11.933333	27.80000	15.8666667	TR4
18.466667	35.30000	16.8333333	TR5
12.100000	24.56667	12.4666667	TR6
10.900000	23.20000	12.3000000	TR7
9.400000	24.86667	15.4666667	TR8
12.333333	26.13333	13.8000000	TR9
8.800000	21.66667	12.8666667	TRA
8.366667	22.30000	13.9333333	TRB
5.300000	16.86667	11.5666667	TRC
32.933333	40.20000	7.2666667	UKC
33.100000	43.03333	9.9333333	UKD
30.266667	42.00000	11.7333333	UKE
32.900000	43.93333	11.0333333	UKF
34.733333	39.30000	4.5666667	UKG
36.000000	43.16667	7.1666667	UKH
48.700000	65.60000	16.9000000	UKI
38.500000	50.66667	12.1666667	UKJ
38.500000	45.73333	7.2333333	UKK
32.866667	40.23333	7.3666667	UKL
45.166667	54.40000	9.2333333	UKM
36.200000	38.66667	2.4666667	UKN

11 year percentage difference 2018-2017

plot_ly(
  x = edu.data$nuts_id,
  y = edu.data$diff
)

## No trace type specified:
##   Based on info supplied, a 'bar' trace seems appropriate.
##   Read more about this trace type -> https://plot.ly/r/reference/#bar

Levels in 2018

plot_ly(
  x = edu.data$nuts_id,
  y = edu.data[["2018-01-01"]]
)

## No trace type specified:
##   Based on info supplied, a 'bar' trace seems appropriate.
##   Read more about this trace type -> https://plot.ly/r/reference/#bar

Tertiary educational attainment, age group 30-34 by sex and NUTS 1 regions

Kamil Ciemniewski kamil@ciemniew.ski

2019-06-05

Obtaining Data

11 year percentage difference 2018-2017

Levels in 2018